problema1
| Algoritmo |
Max |
Min |
Média |
Desvio Padrão |
| ag |
-8.424015430247694 |
-10 |
-9.715996787906251 |
0.4635151451257918 |
| hillClimbing |
15.252028324831748 |
-6.444187829755082 |
2.105771194265154 |
7.333468760073993 |
| hillClimbingRestart |
-6.451655022388616 |
-9.997994760381856 |
-8.80967666492313 |
1.0550141018656607 |
| simulatedAnnealing |
37.677851141035454 |
-9.999530417953673 |
2.7121180210143496 |
15.268188212932168 |
Resultado
Ao olharmos para o gráfico de comparação (melhor), podemos perceber que o Hill Climbing sem restart encontra um minimo local e não ocnsegue sair deste.
O Hill Climbing com restart consegue se sair melhor pois conta com a aleatoriedade para fugir os minimos locais e consegue bons resultados. Não tem muita distorção e variação nos valores (ver gráfico de exeção).
Já o Simulated Annelaning tem muita distorção até chegar na parte final da execução, onde parece melhorar o resultado e manter nele. Também encontra bons resultados.
O melhor neste caso será o AG que logo nas primeiras exeuções acha bons resultados e mantem um pequena distorção ao longo das execuções. Ele encontra o melhor resultado.
problema2
| Algoritmo |
Max |
Min |
Média |
Desvio Padrão |
| ag |
3.991418362356434 |
0.005484794846836394 |
1.229139567346505 |
1.0489104026121756 |
| hillClimbing |
2.022190984962476 |
0.16562124999927086 |
0.9069830831523268 |
0.5573550149147654 |
| hillClimbingRestart |
2.6284263218285933 |
0.8142817378116014 |
1.5899737173085315 |
0.5845346967684738 |
| simulatedAnnealing |
2.2040344457572107 |
0.011020543491044421 |
1.138717609204867 |
0.6934109329027364 |
Resultado
Para este tipo de problema, o Hill Climbing sem restart consegue fugir dos mínimos locais, mas há uma certa demora, ele encontra bons resultados a medida que caminha.
Já o com restart não tem uma boa performance, pois como o restart pode faze-lo sair muito de uma boa zona, ele acaba se dispersando muito (olhar gráfico de execuções);
O Simulated Annelaning tem muita distorção no inicio, mas consegue chegar em um bom resultado ao final, quando já não aceita muitos resultados ruins.
O AG, apesar de ter muita variedade nos gerações, consegue encontrar índiduos bons ao longo do percurso e não varia muito o resultado (olhar gráfico de média dos melhores).
problema3
| Algoritmo |
Max |
Min |
Média |
Desvio Padrão |
| ag |
14155.038044523199 |
12292.541986430579 |
13112.357858026866 |
625.1202993083599 |
| hillClimbing |
14209.148407923294 |
10790.373623948622 |
12459.361917280594 |
1204.112833143602 |
| hillClimbingRestart |
19537.420253307988 |
16834.13306429655 |
18397.678050237602 |
867.1185130348232 |
| simulatedAnnealing |
18603.30602733704 |
14095.889358733208 |
16446.466268097 |
1410.9301731401645 |
Resultado
Neste problema o Hill Climbing sem restart se sai melhor em quase todas as execuções, batendo de frente com o AG. Ele sempre tras os melhores resultados tanto nos Piores, Média e Melhor (olhar gráfico comaprativo).
O grande problema do Hill Climbing com restart acaba não aproveitando os bons resultados encontrados pelo caminho e acaba fazendo uma solução ruim a cada restart gerado. Em média é o pior algoritmo para o problema.
O Simulated Annealing tem uma execução boa neste problema, mas não consegue ficar entre os melhores, pois só encontra resultado bons no final do ciclo. Muito ruido é gerado antes disso (ver gráfico de execuções).
O AG não é o melhor neste caso, mas se equipara ao Hill Climbing com restart. As suas execuções tem uma taxa boa de caimento da FO (olhar gráfico de Melhores Médias), se ele pudesse executar mais ações ele certamente acharia o melhor resultado para o problema.
Neste problema a variação do Hill Climbing tente a se manter estável. Do AG dente a cair e o Simulated Annealing tende a cair (mas depende da sorte do inicio).